新研究评估数据偏差下的提升模型

arXiv上的一篇新论文介绍了一个系统性的基准测试框架，用于评估提升模型。提升模型用于个性化营销，以预测客户行为如何因干预而改变。研究强调，现实世界的数据通常包含选择偏差和溢出效应等偏差，这些偏差会影响模型的准确性和评估指标。研究发现，虽然许多模型在处理这些偏差时遇到困难，但TARNet表现出显著的鲁棒性，并且与平均处理效应（ATE）一致的指标提供了更一致的模型排名。 AI

影响 强调了需要更鲁棒的提升模型和评估指标，以应对个性化营销中现实世界数据的不足。

排序理由 该集群包含一篇在arXiv上发表的学术论文，详细介绍了新的基准测试框架和与提升模型相关的发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Yuxuan Yang

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →